Ich habe über 100 Stunden damit verbracht, KI-Tools zu testen, damit du es nicht tun musst.
Speicher dir das ab :)
Die KI-Tool-Landschaft im Jahr 2026 ist überwältigend. Jede Woche neue Frameworks. Jeden Tag neue Agents. Jeden Morgen neue Repos, die auf GitHub trenden.
Die meisten davon sind Hype. Einige sind wirklich nützlich. Einige wenige werden grundlegend verändern, wie du arbeitest.
Ich habe das Rauschen herausgefiltert. Hier sind die 60 Tools, die jetzt wirklich zählen – nach Kategorien geordnet, persönlich getestet, mit ehrlichen Anmerkungen, wofür jedes einzelne wirklich gut ist.
Setze ein Lesezeichen. Du wirst hierher zurückkommen.
Teil 1: KI-Coding-Agents & IDEs 🛠️
Das sind die Tools, mit denen KI in deinem Namen Code schreiben, überprüfen und verwalten kann. Diejenigen, die tatsächlich in echten Workflows funktionieren, nicht nur in Demos.
01. Claude Code:
Das Command-Line-Coding-Agent von Anthropic. Liest Dateien, schreibt Code, führt Tests aus, arbeitet direkt in deiner lokalen Umgebung. Der Goldstandard für KI-gestützte Entwicklung, wenn du die volle Kontrolle haben willst.
🔗 https://docs.anthropic.com/en/docs/claude-code
02. Cursor:
KI-erster Code-Editor, basierend auf VS Code. Inline-Vervollständigungen, Chat mit deiner Codebasis, Multi-File-Editing. Der beste Editor für Entwickler, die KI in ihren bestehenden Workflow integrieren möchten.
03. Codex CLI:
OpenAIs Terminal-Coding-Agent. Nimmt natürliche Sprachbefehle entgegen, liest deine Codebasis, schreibt und führt Code aus. Stark bei mehrstufigen Implementierungsaufgaben.
🔗 https://github.com/openai/codex
04. Windsurf:
KI-Coding-IDE von Codeium. Cascade-Agent für Multi-File-Editing, tiefes Codebasis-Verständnis und Flow-State-Coding. Wächst schnell.
🔗 https://codeium.com/windsurf
05. Superpowers:
20+ kampferprobte Claude Code Skills. TDD, Debugging, Plan-to-Execute-Pipelines. 96.000+ Sterne auf GitHub. Wenn du Claude Code verwendest, installiere dies zuerst.
🔗 https://github.com/obra/superpowers
06. Spec Kit (GitHub):
Spezifikationsgetriebene Entwicklung. Schreibe Spezifikationen, KI generiert Code daraus. Zwingt dich, nachzudenken, bevor du baust. 50.000+ Sterne.
🔗 https://github.com/github/spec-kit
07. Aider:
KI-Paarprogrammierung in deinem Terminal. Funktioniert mit jedem LLM. Stark bei der Arbeit mit bestehenden Codebasen. 30.000+ Sterne.
🔗 https://github.com/paul-gauthier/aider
Teil 2: Agent-Frameworks 🤖
Baue autonome Systeme, die denken, handeln und iterieren.
08. OpenClaw:
Das virale Open-Source-KI-Agent. Persistent, Multi-Channel (WhatsApp, Telegram, Discord), schreibt seine eigenen Skills. 210.000+ Sterne und schnell wachsend. Der zugänglichste Einstiegspunkt für persönliche KI-Agents.
🔗 https://github.com/openclaw/openclaw
09. LangGraph:
Multi-Agent-Orchestrierung als Code. Baue Agents als Graphen mit Verzweigungslogik, Human-in-the-Loop und persistentem Zustand. 26.000+ Sterne.
🔗 https://github.com/langchain-ai/langgraph
10. CrewAI:
Multi-Agent-Framework mit Rollen, Zielen und Hintergrundgeschichten. Jeder Agent hat eine definierte Persona und Verantwortung. Gut für teamähnliche Workflows.
🔗 https://github.com/crewAIInc/crewAI
11. AutoGPT:
Vollständige autonome Agent-Plattform für langlebige Aufgaben. Das Urgestein der Agent-Frameworks. Seit den Anfängen deutlich ausgereift.
🔗 https://github.com/Significant-Gravitas/AutoGPT
12. Dify:
Open-Source-LLM-App-Builder. Kombiniert Workflows, RAG, Agents und Modellverwaltung in einer Plattform. Gut für Nicht-Entwickler, die KI-Apps bauen.
🔗 https://github.com/langgenius/dify
13. OWL:
Multi-Agent-Kooperationsframework. Spitze im GAIA-Benchmark für Agentenkoordination. Spitzenforschung, umgesetzt in nutzbaren Code.
🔗 https://github.com/camel-ai/owl
14. CopilotKit:
Bette KI-Copiloten direkt in React-Anwendungen ein. Liefere KI-Funktionen in deinem Produkt aus, nicht nur in deinem Workflow.
🔗 https://github.com/CopilotKit/CopilotKit
15. pydantic-ai:
Typsicheres Agent-Framework, basierend auf Pydantic. Für Python-Entwickler, die strukturierte, validierte Agent-Ausgaben wünschen.
🔗 https://github.com/pydantic/pydantic-ai
Teil 3: MCP-Server & Tool-Integration 🔗
MCP (Model Context Protocol) gibt KI Zugriff auf die Außenwelt. Skills lehren es WIE. MCP gibt ihm ZUGRIFF.
16. Tavily:
Suchmaschine, gebaut für KI-Agents. Keine blauen Links – saubere, strukturierte, LLM-bereite Daten. Vier Tools: Suche, Extraktion, Crawlen, Karte. Verbindet sich in einer Minute als Remote-MCP.
🔗 https://github.com/tavily-ai/tavily-mcp
17. Context7:
Fügt aktuelle Bibliotheksdokumentation in den Kontext deines LLMs ein. Keine halluzinierten APIs oder veralteten Methoden mehr. Füge „use context7" zu deinem Prompt hinzu und es zieht aktuelle Docs. Unterstützt Tausende von Bibliotheken.
🔗 https://github.com/upstash/context7
18. Task Master AI:
Der Projektmanager deiner KI. Füttere es mit einem PRD und es generiert strukturierte Aufgaben mit Abhängigkeiten. Claude führt sie nacheinander aus. Verwandelt chaotische Sitzungen in organisierte Pipelines.
🔗 https://github.com/eyaltoledano/claude-task-master
19. MCP Playwright:
Browser-Automatisierung für LLMs. Steuere einen echten Browser durch natürliche Sprache. Testen, Scrapen, Interagieren.
🔗 https://github.com/executeautomation/mcp-playwright
20. fastmcp:
Baue MCP-Server in minimalem Python. Der schnellste Weg, um benutzerdefinierte Tool-Integrationen für Claude oder jedes MCP-kompatible Modell zu erstellen.
🔗 https://github.com/jlowin/fastmcp
21. markdownify-mcp:
Konvertiere PDFs, Bilder und Audio in Markdown. Füttere jeden Dokumententyp in deinen KI-Workflow ein.
🔗 https://github.com/zcaceres/markdownify-mcp
22. MCPHub:
Verwalte mehrere MCP-Server über HTTP. Ein Dashboard für alle deine Tool-Verbindungen.
🔗 https://github.com/samanhappy/mcphub
Teil 4: Claude Skills (Top-Auswahl) 🧠
Skills lehren Claude spezialisierte Workflows. Es gibt 80.000+ Community-Skills. Das sind diejenigen, die sich zu installieren lohnen.
23. PDF-Verarbeitung (Offiziell):
PDFs lesen, Tabellen extrahieren, Formulare ausfüllen, PDFs zusammenführen und teilen. Der Skill mit dem höchsten Nutzen für Wissensarbeiter.
🔗 https://github.com/anthropics/skills/tree/main/skills/pdf
24. Frontend-Design (Offiziell): Baue echte Designsysteme, kräftige Typografie, produktionsreife UI. Entkomme der „KI-Schrott"-Ästhetik. 277.000+ Installationen.
🔗 https://github.com/anthropics/skills/tree/main/skills/frontend-design
25. Skill Creator (Offiziell):
Der Meta-Skill. Beschreibe einen Workflow in einfachem Englisch und erhalte in fünf Minuten eine vollständige SKILL.md zurück. Baue neue Skills, ohne Konfiguration zu schreiben.
🔗 https://github.com/anthropics/skills/tree/main/skills/skill-creator
26. Marketing Skills von Corey Haines:
20+ Skills, die CRO, Copywriting, SEO, E-Mail-Sequenzen und Wachstumsstrategie abdecken. Alles, was ein Marketingteam braucht, in Skill-Form.
🔗 https://github.com/coreyhaines31/marketingskills
27. Claude SEO:
Komplette Website-Audits, Schema-Validierung, Keyword-Analyse. 12 Sub-Skills, die den gesamten SEO-Workflow abdecken.
🔗 https://github.com/AgriciDaniel/claude-seo
28. Obsidian Skills:
Gebaut vom CEO von Obsidian. Auto-Tagging, Auto-Linking, Vault-native Operationen. Wenn du Obsidian verwendest, ist dies essenziell.
🔗 https://github.com/kepano/obsidian-skills
29. Kontextoptimierung:
Reduziere Token-Kosten und verbessere die KV-Cache-Effizienz. Macht teure API-Workflows deutlich günstiger. 13.900+ Sterne.
🔗 https://github.com/muratcankoylan/agent-skills-for-context-engineering
30. Deep Research Skill:
8-phasige Recherche mit automatischer Fortsetzung. Für wenn du möchtest, dass Claude tief in ein Thema eintaucht, nicht nur an der Oberfläche kratzt.
🔗 https://github.com/199-biotechnologies/claude-deep-research-skill
Teil 5: Lokale KI & Modellausführung 🖥️
Führe Modelle auf deiner eigenen Hardware aus. Datenschutz, Geschwindigkeit, null API-Kosten.
31. Ollama:
Führe Open-Source-LLMs lokal mit einem Terminalbefehl aus. Unterstützt Llama, Mistral, Gemma und Dutzende weitere. Der schnellste Weg von null zu lokaler KI.
🔗 https://github.com/ollama/ollama
32. Open WebUI:
Selbst gehostete ChatGPT-ähnliche Oberfläche. Sauber, schnell, voll funktionsfähig. Passt perfekt zu Ollama für ein privates KI-Setup.
🔗 https://github.com/open-webui/open-webui
33. LlamaFile:
Verpacke ein gesamtes LLM als einzelne ausführbare Datei. Null Abhängigkeiten. Herunterladen und ausführen. Lächerlich einfach.
🔗 https://github.com/Mozilla-Ocho/llamafile
34. Unsloth:
Feinjustiere Modelle 2x schneller mit 70% weniger Speicher. Wenn du ein benutzerdefiniertes Modell benötigst, das auf deinen Daten trainiert wurde, starte hier.
🔗 https://github.com/unslothai/unsloth
35. vLLM:
High-Throughput-Inferenz-Engine. 2 bis 4x schneller als naives Serving. Der Standard für die Produktionsbereitstellung von Open-Source-Modellen.
🔗 https://github.com/vllm-project/vllm
Teil 6: Workflow & Automatisierung ⚡
Verbinde KI mit deinen vorhandenen Tools und Prozessen.
36. n8n:
Open-Source-Workflow-Automatisierung mit 400+ Integrationen und KI-Knoten. Selbst hostbar. Der beste visuelle Builder für KI-gestützte Automatisierungen.
🔗 https://github.com/n8n-io/n8n
37. Langflow:
Visuelles Drag-and-Drop für Agent-Pipelines. 140.000+ Sterne. Baue komplexe Agent-Workflows, ohne Code zu schreiben.
🔗 https://github.com/langflow-ai/langflow
38. Huginn:
Selbst gehostete Web-Agents für Überwachung, Benachrichtigungen und Datensammlung. Datenschutzorientierte Automatisierung, die auf deinem Server läuft.
🔗 https://github.com/huginn/huginn
39. DSPy:
Programmiere (nicht prompte) Foundation-Modelle. Stanford-Forschung, umgesetzt in ein Framework. Für wenn Prompting nicht deterministisch genug ist.
🔗 https://github.com/stanfordnlp/dspy
40. Temporal:
Langlebige Workflow-Engine für langlaufende Prozesse. Wenn deine Automatisierung Abstürze, Wiederholungen und Timeouts überstehen muss.
🔗 https://github.com/temporalio/temporal
Teil 7: Suche, Daten & RAG 🔍
Hole Informationen in und aus KI-Systemen.
41. GPT Researcher:
Autonomer Forschungs-Agent, der zusammengestellte Berichte erstellt. Gib ihm ein Thema, erhalte eine gründliche Analyse mit Quellen zurück.
🔗 https://github.com/assafelovic/gpt-researcher
42. Firecrawl:
Verwandle jede Website in LLM-bereite Daten. Web Scraping, das speziell für KI-Pipelines entwickelt wurde.
🔗 https://github.com/mendableai/firecrawl
43. Vanna AI:
Natürliche Sprache zu SQL. Stelle Fragen auf Englisch, erhalte Datenbankabfragen zurück. Für jeden, der Daten aus Datenbanken benötigt, ohne SQL zu schreiben.
🔗 https://github.com/vanna-ai/vanna
44. Instructor:
Erhalte strukturierte JSON-Ausgaben von jedem LLM unter Verwendung von Pydantic-Modellen. Funktioniert mit OpenAI, Anthropic, Google und 15+ Anbietern. Was Produktions-KI-Ingenieure tatsächlich verwenden.
🔗 https://python.useinstructor.com
45. Chroma:
Open-Source-Vektordatenbank. Der einfachste Weg, semantische Suche und Langzeitspeicher zu deinen KI-Anwendungen hinzuzufügen.
🔗 https://github.com/chroma-core/chroma
46. dlt:
LLM-native Datenpipelines aus 5.000+ Quellen. Hole Daten von überall in deinen KI-Workflow.
🔗 https://github.com/dlt-hub/dlt
47. ExtractThinker:
ORM für Dokumentenintelligenz. Extrahiere strukturierte Daten aus jedem Dokumenttyp.
🔗 https://github.com/enoch3712/ExtractThinker
Teil 8: API & Infrastruktur 🏗️
Die Infrastruktur, die alles in der Produktion zum Laufen bringt.
48. FastAPI:
Das Python-Webframework zum Bereitstellen von KI-Anwendungen. Hervorragende Dokumentation. Pydantic-Validierung integriert.
🔗 https://github.com/tiangolo/fastapi
49. Portkey Gateway:
Leite Anfragen an 250+ LLMs über eine API weiter. Wechsle Modelle, ohne Code zu ändern.
🔗 https://github.com/Portkey-AI/gateway
50. OmniRoute:
API-Proxy für 44+ KI-Anbieter. Lastausgleich, Fallbacks und Kostenoptimierung.
🔗 https://github.com/diegosouzapw/OmniRoute
51. lmnr:
Verfolge und bewerte das Verhalten von Agents. Siehe genau, was deine Agents tun, und messe, ob sie es gut machen.
🔗 https://github.com/lmnr-ai/lmnr
52. Codebase Memory MCP:
Wandle deine Codebasis in einen persistenten Wissensgraphen um. Claude merkt sich deine gesamte Projektstruktur über Sitzungen hinweg.
🔗 https://github.com/DeusData/codebase-memory-mcp
Teil 9: Kuratierte Sammlungen & Lernen 📚
Wo du mehr finden und weiterlernen kannst.
53. Awesome Claude Skills:
Die beste kuratierte Skill-Liste. 22.000+ Sterne. Starte hier, wenn du nach neuen Skills zum Installieren suchst.
🔗 https://github.com/travisvn/awesome-claude-skills
54. Anthropic Skills Repo:
Offizielle Referenzimplementierungen von Anthropic. Der Goldstandard dafür, wie Skills gebaut werden sollten.
🔗 https://github.com/anthropics/skills
55. Awesome Agents:
100+ Open-Source-Agent-Tools in einer kuratierten Liste.
🔗 https://github.com/kyrolabs/awesome-agents
56. PromptingGuide:
Umfassende Prompt-Engineering-Referenz, die jede Technik von den Grundlagen bis zum fortgeschrittenen Agent-Prompting abdeckt.
🔗 https://www.promptingguide.ai
57. Anthropic Prompt Engineering Tutorial:
9 Kapitel mit praktischen Übungen und Jupyter-Notebooks. Der beste strukturierte Weg, um Prompting zu lernen.
🔗 https://github.com/anthropics/prompt-eng-interactive-tutorial
58. SkillsMP:
Marktplatz mit 80.000+ Community-Skills. Der größte Katalog zum Entdecken von Claude-Skills.
59. MAGI//ARCHIVE:
Täglicher Feed mit frischen KI-Repos. Bleibe auf dem Laufenden, was gerade veröffentlicht wird.
🔗 https://tom-doerr.github.io/repo_posts/
60. Anthropic Official Docs:
Deckt die API, Prompting-Best-Practices, Tool-Nutzung, Agents und alles andere ab. Lies dies von vorne bis hinten, bevor du etwas Ernsthaftes baust.
Wie du diese Liste tatsächlich nutzt
Versuche nicht, alle 60 Tools auf einmal zu installieren. Das ist ein Rezept für Überforderung und Zeitverschwendung.
Hier ist die Reihenfolge, die ich empfehle:
Wenn du ein Entwickler bist:
Beginne mit Claude Code (01) + Superpowers (05) + Context7 (17) + Tavily (16). Das gibt dir ein leistungsstarkes KI-Coding-Setup mit Such- und Dokumentationszugriff.
Wenn du ein Creator oder Wissensarbeiter bist:
Beginne mit OpenClaw (08) + Obsidian Skills (28) + PDF-Verarbeitung (23) + Frontend-Design (24). Das gibt dir einen KI-Assistenten mit Dateiverwaltung, Dokumentenverarbeitung und Content-Erstellungsfähigkeiten.
Wenn du ein Produkt baust:
Beginne mit FastAPI (48) + Instructor (44) + Chroma (45) + LangGraph (09). Das gibt dir das Backend-Framework, strukturierte Ausgaben, Speicher und Agent-Orchestrierung für eine Produktions-KI-Anwendung.
Wenn du lernen möchtest:
Beginne mit dem Anthropic Tutorial (57) + PromptingGuide (56) + Anthropic Docs (60). Baue die Grundlage auf, bevor du Tools stapelst.
Wähle einen Pfad. Gehe in die Tiefe. Füge weitere Tools hinzu, wenn deine Anforderungen wachsen.
TL;DR
Skills = lehren KI, Dinge BESSER zu machen. MCP = gibt KI ZUGRIFF auf externe Tools und Daten. Repos = die Open-Source-Engines, die alles antreiben.
Kombiniere alle drei und du hast einen KI-Workflow, der wirklich leistungsstark ist, nicht nur beeindruckend in Demos.
Das war's. 60 Tools. Jetzt geh und baue etwas.
Diese Liste hat mich viel Zeit gekostet – Tools testen, Dokumentationen lesen, den Hype vom Nützlichen trennen. Wenn sie dir Zeit gespart hat, weißt du, was zu tun ist.
Ich poste regelmäßig solche Sachen – KI-Tools, Workflows, Techniken und Dinge, die ich tatsächlich nutze. Kein Blabla, kein Hype, nur das, was funktioniert.
Folge @eng_khairallah1 , damit du den nächsten Beitrag nicht verpasst.
Ich hoffe, das war nützlich für dich, Khairallah ❤️
